Automatische Klassifizierung in Motivational Interviewing

Motivational Interviewing (MI) ist eine Methode, die in der Therapie verwendet wird und darauf abzielt, Leuten zu helfen, positive Veränderungen in ihrem Verhalten vorzunehmen. Dieser Ansatz basiert darauf, gemeinsam mit Klienten zu arbeiten, anstatt ihnen zu sagen, was sie tun sollen. Es ist wichtig zu messen, wie gut ein MI-Gespräch verläuft, da die Art und Weise, wie Klienten während dieser Sitzungen kommunizieren, ihren Fortschritt stark beeinflussen kann.

Um Gespräche in MI zu bewerten, können wir uns anschauen, was Klienten sagen, und ihre Aussagen in drei Hauptkategorien einteilen: Change Talk (Wunsch nach Veränderung), Sustain Talk (Mangel an Motivation zur Veränderung) und Follow/Neutral Talk (keine Verbindung zu Veränderungen). Zu wissen, wie viel Change Talk während der Sitzungen vorkommt, kann dabei helfen, vorherzusagen, ob die Therapie erfolgreich sein wird.

#Der Bedarf an besserer Klassifizierung

Normalerweise analysieren Experten die gesprochenen Worte der Klienten und kategorisieren sie manuell. Diese Methode erfordert umfassendes Training und kann viel Zeit in Anspruch nehmen, was es schwierig macht, mit Echtzeitgesprächen Schritt zu halten, insbesondere wenn ein Computerprogramm oder ein Chatbot beteiligt ist. Daher gibt es einen starken Bedarf an automatischen Systemen, die Klientenäusserungen schnell und genau kategorisieren können.

In diesem Artikel präsentieren wir ein System, das die Sprache der Klienten während MI-Sitzungen automatisch klassifiziert, indem es verschiedene Kommunikationsmethoden untersucht. Das bedeutet, dass wir nicht nur analysieren, was Klienten sagen, sondern auch, wie sie sich durch Tonfall, Gesichtsausdrücke und Körpersprache ausdrücken.

#Datensammlung

Um unser automatisches Klassifikationssystem aufzubauen und zu verbessern, haben wir den AnnoMI-Datensatz verwendet, der Aufnahmen von MI-Sitzungen enthält. Dieser Datensatz umfasst Gespräche, die in Qualität und Länge variieren und eine reichhaltige Ressource für die Analyse bieten. Jedes Video wurde von geschulten Fachleuten überprüft, die die Antworten der Klienten in drei Kategorien annotiert haben: Change Talk, Sustain Talk oder Follow/Neutral Talk.

In unserer Arbeit haben wir uns darauf konzentriert, die Sprache der Klienten besser zu verstehen. Ein wichtiger Aspekt war die Organisation der Gesprächstranskripte, sodass jeder gesprochene Satz klar und aussagekräftig war. Diese Organisation hilft sicherzustellen, dass unser Modell die Nuancen in der Kommunikation genau erfasst.

#Verständnis verschiedener Modalitäten

Kommunikation besteht nicht nur aus gesprochenen Worten; sie umfasst viele Faktoren. Wir haben uns mehrere „Modalitäten“ angeschaut, die unterschiedliche Arten sind, wie Menschen sich ausdrücken. Die Hauptmodalitäten, die wir studiert haben, sind:

1. Gesprochener Text: Was Klienten tatsächlich sagen.
2. Tonfall (Prosodie): Wie etwas gesagt wird, einschliesslich Tonhöhe, Lautstärke und Geschwindigkeit.
3. Gesichtsausdrücke: Bewegungen des Gesichts, die Emotionen und Reaktionen vermitteln.
4. Körpersprache: Bewegungen des Körpers und Gesten, die helfen, Gefühle oder Einstellungen zu kommunizieren.

Durch die Kombination dieser verschiedenen Kommunikationsmethoden können wir ein tieferes Verständnis dafür gewinnen, wie sich Klienten fühlen und was sie während der Gespräche wirklich meinen.

#Verarbeitung der Daten

Um diese multimodalen Daten zu analysieren, haben wir auf verschiedene Techniken und Werkzeuge zurückgegriffen:

• Textanalyse: Wir haben ein spezialisiertes Modell verwendet, um den gesprochenen Text zu verarbeiten und zu verstehen. Dieses Modell hilft, die Bedeutung und den Kontext dessen, was Klienten sagen, zu erkennen, was die Klassifizierung ihrer Äusserungen erleichtert.

• Audioverarbeitung: Um den Tonfall effektiv zu analysieren, haben wir Audiotechnologie eingesetzt, um Merkmale aus den Tonaufnahmen zu extrahieren, was uns ermöglicht, zu verstehen, wie sich die Stimmen der Klienten während der Gespräche ändern.

• Analyse von Gesichtsausdrücken und Körpersprache: Wir haben Computer Vision-Tools verwendet, um die Gesichtsausdrücke und Körpergesten der Klienten zu untersuchen. Diese Analysen helfen, Ausdrücke zu quantifizieren, die auf die Gefühle einer Person gegenüber Veränderung oder Widerstand hinweisen könnten.

#Modellarchitektur

Wir haben ein System entwickelt, das all diese Modalitäten zusammen verarbeitet, um die Sprache der Klienten während MI-Sitzungen zu klassifizieren. Unser System zerlegt die Eingaben aus jeder Modalität und verwandelt sie in ein Format, das das Modell verstehen kann. Nach der Verarbeitung werden die Ausgaben der verschiedenen Modalitäten so kombiniert, dass wir alle Informationen berücksichtigen können, ohne wichtige Details zu verlieren.

Wir haben unser Modell MALEFIC genannt, was für Modality Attentive Late Embracenet Fusion with Interpretable Modality Contribution steht.

#Wie das Modell funktioniert

1. Unabhängige Verarbeitung: Jede Modalität wird zunächst separat verarbeitet. Zum Beispiel gehen gesprochene Worte durch ein Textmodell, während Audio- und Gesichtsdata durch ihre jeweiligen Module analysiert werden.

2. Datenkombination: Nach der Verarbeitung werden die Ergebnisse jeder Modalität mit einer Fusionsarchitektur zusammengeführt. Diese Zusammenführung ermöglicht dem Modell, alle unterschiedlichen Aspekte der Kommunikation gleichzeitig zu berücksichtigen.

3. Selbstaufmerksamkeitsmechanismus: Das Modell enthält eine Selbstaufmerksamkeitsfunktion, die es ihm ermöglicht, die Wichtigkeit jeder Modalität im Klassifizierungsprozess für jede einzelne Äusserung zu gewichten. Diese Funktion hilft dem Modell zu bestimmen, welcher Eingabetyp für die Interpretation der Botschaft des Klienten am relevantesten ist.

#Bewertung des Modells

Um zu sehen, wie gut unser Modell funktioniert, haben wir es mit Daten aus dem AnnoMI-Datensatz getestet. Wir haben gemessen, wie genau es verschiedene Arten der Klientenkommunikation klassifizieren konnte. Wir haben die Ergebnisse unseres multimodalen Modells mit früheren Modellen, die nur eine Modalität verwendeten, verglichen und bewertet, ob die Kombination verschiedener Datentypen die Klassifizierungsgenauigkeit verbessert hat.

#Leistungsergebnisse

Wir haben festgestellt, dass die Kombination aus gesprochenem Text, Tonfall und Gesichtsausdrücken zu besseren Klassifizierungsergebnissen führte als die Verwendung einer einzelnen Methode allein. Insbesondere hat das Modell hervorragend Change Talk identifiziert, was darauf hinweist, dass der Klient möglicherweise bereit für Veränderungen ist.

#Vergleich mit anderen Studien

Als wir unsere Ergebnisse mit Studien verglichen, die sich auf Einzelmodalitäten konzentrierten, hat unser Modell sie durchweg übertroffen. Zum Beispiel hatten Modelle, die nur Text verwendeten, oft eine niedrigere Genauigkeit bei der Identifizierung von Change Talk im Vergleich zu unserem integrierten Ansatz, der mehrere Modalitäten nutzt.

Wir haben auch Studien betrachtet, die Text und Audio oder Text und Gesichtsausdrücke kombinierten. Während diese Studien vielversprechend waren, hatten sie oft Schwierigkeiten, das gleiche Mass an Genauigkeit zu erreichen wie unser Modell, das von einer Synthese verschiedener Eingaben profitiert.

#Interpretation der Ergebnisse

Eine Stärke unseres Modells ist seine Interpretierbarkeit. Wir können sehen, welche Modalitäten am meisten zur Klassifizierung einer bestimmten Aussage beigetragen haben. Dies ermöglicht Therapeuten oder KI-Agenten, die zugrunde liegenden Gründe für die Entscheidungen des Modells zu verstehen. Wenn das Modell beispielsweise anzeigt, dass der Tonfall ein Hauptfaktor bei der Klassifizierung einer Aussage war, könnte das darauf hindeuten, dass der Klient unsicher oder widerständig gegenüber Veränderungen war, was die nächsten Schritte im Gespräch leiten könnte.

#Fazit und zukünftige Richtungen

Zusammenfassend haben wir einen multimodalen Klassifikator entwickelt, der die Klassifizierung der Klientensprache in Motivational Interviewing-Sitzungen verbessert. Durch die Berücksichtigung von Sprache, Tonfall, Gesichtsausdrücken und Körpersprache können wir ein nuancierteres Verständnis der Interaktionen der Klienten schaffen.

Für die Zukunft planen wir, unser Modell weiter zu verfeinern, indem wir die einzelnen Komponenten optimieren und es möglicherweise in virtuelle Therapie-Tools integrieren. Diese Entwicklungen könnten es Therapeuten ermöglichen, Echtzeit-Feedback zur Klientensprache zu erhalten, was das therapeutische Erlebnis verbessert.

Wir planen auch, unser Modell öffentlich zugänglich zu machen, damit andere es für die Analyse neuer MI-Videos nutzen und auf unserer Arbeit aufbauen können. Dadurch hoffen wir, zur kontinuierlichen Verbesserung psychotherapeutischer Praktiken beizutragen und die Komplexität menschlicher Kommunikation im therapeutischen Kontext näher zu beleuchten.